基于改进麻雀搜索算法的水质模型多参数反演

水质模型参数取值对模型的模拟精度影响很大,为提高BOD-DO水质模型参数反演精度,首先在DobbinsCamp BOD-DO水质模型的基础上,以BOD和DO浓度计算值与实测值之差的加权平方和最小为目标函数,构建了Dobbins-Camp BOD-DO水质多参数反演模型;然后针对麻雀搜索算法(Sparrow Search Algorithm,SSA)求解精度低、稳定性不足和易陷入局部最优等问题,引入Sine混沌映射和对立学习、转移概率以及差分变异3个策略,分别从提高初始种群多样性、扩大搜索空间以及增强种群跳出局部最优的能力三方面对SSA算法进行改进,提出了一种多策略改进的麻雀搜索算法(Multi-strategy Improved Sparrow Search Algorithm,MISSA),并将其应用于Dobbins-Camp BOD-DO水质多参数反演模型的求解;最后通过数值实验将得到的反演结果与SSA算法、模拟退火算法、粒子群算法、遗传算法四种优化算法进行对比,并探讨了参数初值选取和观测噪声水平对反演结果的影响。结果表明:MISSA算法的计算性能明显优于对照组中的4种算法,且能显著降低初值选取对BOD-DO水质模型参数反演结果的影响,当观测数据的噪声水平不超过5%时,MISSA算法可有效提高反演结果的稳定性。该结果验证了MISSA算法在反演Dobbins-Camp BOD-DO水质模型参数的有效性,为水质模型参数求解提供有益参考。

基于改进麻雀搜索算法的变电构架优化方法

为了解决变电构架设计中的优化问题,采用改进麻雀搜索算法对其进行优化设计。在基本麻雀搜索算法中引入Circle混沌映射,以提高种群的多样性和算法的全局搜索能力;引入萤火虫算法对麻雀搜索算法进行扰动更新,使其易于跳出局部最优。建立尺寸优化的数学模型,采用罚函数法处理约束条件。先将改进后的算法用于典型桁架算例分析,证明其稳定性与有效性,再将其用于变电构架的优化设计,结果表明,采用改进后的麻雀搜索算法能够有效提升变电构架的优化效果。

改进麻雀搜索算法下机械臂轨迹规划

针对数控加工机器人的工作抖动问题,考虑机床工作精密度、时间、能耗指标,提出一种时间寻优的改进麻雀搜索优化算法。使用D-H参数构建机械臂数学模型,在MATLAB环境下对已建立模型进行仿真分析,利用3-5-3多项式插值法对机械臂空间轨迹路线分析,并提出麻雀搜索算法优化方案,对比传统算法及改进后机械臂关节速度及加速度曲线,明确优化后算法高效性,对比其他优化算法,确定机械臂时间最优解。研究结果表明,改进麻雀搜索算法粒子收敛速度提升43%,最优解收敛精度提升8%,机械臂轨迹规划用时明显缩短,轨迹规划达到预期,有效提高算法收敛效率及求解精度。

改进麻雀算法在列车ATO多目标优化中的应用

针对列车自动驾驶(ATO)运行过程多目标优化问题,以列车运行安全性、列车动力学模型等因素为约束条件,考虑列车准时性、能耗、舒适性等指标,使用模糊隶属度法建立多目标优化模型。利用罚函数处理约束条件,将停车误差与限速作为惩罚项并构造出适当的惩罚函数加入到目标函数中,从而得到增广目标函数,提出基于改进麻雀算法(ISSA)的求解策略。为提高麻雀算法(SSA)的全局寻优能力,避免收敛于局部最优,引入Logistic映射、自适应超参数、变异算子对传统麻雀算法进行改进,通过测试函数对算法性能进行验证,表明ISSA算法的收敛速度、寻优精度比传统SSA算法好。以工况转换点为决策变量,通过ISSA算法对工况转换点的位置及速度进行寻优,进而获得目标速度-距离曲线。最后选取城轨车辆参数与线路数据进行仿真验证,仿真结果表明:所提优化策略相较于未优化前,舒适性提高了21.22%,能耗降低了22.41%,准时性与停车误差满足要求;与PSO优化方法相比,收敛速度更快,运行时间几乎一样的情况下能耗降低了12.74%,节能效果更佳;停车误差降低了20.45%,舒适性保持在舒适范围之内;对于速度-距离曲线,巡航距离更长、惰行距离变短、最高运行速度降低。由此可见,达到了综合优化ATO的目的,验证了ISSA优化策略的有效性。

基于改进麻雀算法机械臂时间最优轨迹规划

为了提高机械臂的工作效率和稳定性,采用改进麻雀搜索算法的机械臂时间最优多项式插值轨迹规划方法。通过改进Sin混沌初始化种群、发现者和跟随者比例动态调整,并加入了柯西高斯变异,优化了算法局部搜索和全局寻优的能力。以实验室的AUBO-i10机器人为研究对象,首先利用逆运动学求出给定机械臂末端路径点各个关节的位置信息,采用分段多项式拟合关节空间下运动轨迹。在限制机械臂的关节角度、运动速度和加速度的条件下,通过改进麻雀搜索算法对机械臂末端运行轨迹进行时间最短优化。使用MATLAB进行仿真,仿真结果表明,改进麻雀搜索算法在收敛速度和寻优精度有了明显的提升,有效减少了机械臂在工作中运行的时间。

基于改进麻雀搜索算法的病患分配调度

在突发性公共卫生事件爆发时,大量的病患群体与有限的医疗资源供给会形成急剧的冲突,影响疫情防控救治效率。为满足患者就诊需求,提高医疗资源使用效率,文章以最小化平均收治时间、最小化最大收治时间为优化目标建立数学模型,在麻雀搜索算法中引入正余弦搜索策略使产生的个体具有多样性,对最优群体加入t分布扰动策略避免算法陷入局部最优。文章采用麻雀搜索算法、改进麻雀搜索算法、量子粒子群算法分别求解文章提出的数学模型,并将结果进行对比分析。以Y市为例,将Y市划分为9个人口区域,6家医院,进行病患分配调度的仿真实验研究。文章提出的数学模型可以准确描述大流行病期间患者就诊问题,所提算法可快速给出病患救治分配方案,让病患在较短的时间内获得相应救援,同时也可避免具有传染性的疫情进一步扩散。

基于改进麻雀算法的PCC-DBN-LSTM气温预测模型

气温预测是气象学中的一个重要研究领域。随着气象精准化发展,迫切需要提升气温预测的精准度。为解决传统气温预测算法效果不佳,并且对于多个站点气象数据时空特征提取能力不足,提出一种基于改进麻雀算法优化的皮尔逊积矩相关系数(PCC)-深度置信网络(DBN)-长短时记忆网络(LSTM)的气温预测模型。首先利用Pearson相关系数对众多的气象参数进行选择,DBN网络对输入的多站点气象数据特征进行提取和降维,LSTM对提取的特征进行建模和预测。由于模型初始化参数众多,提出改进麻雀算法优化DBN-LSTM网络参数,提高模型的预测精度和稳定性。实验表明:所提模型的RMSE为0.527,精度高于单一模型和同类模型。

基于改进麻雀搜索算法和支持向量机的边坡稳定性

边坡失稳是由多种因素共同作用的结果,常规的数学模型难以准确预测。为提高边坡稳定性预测精度,采用多策略融合改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化支持向量机(support vector machine,SVM),进而建立边坡稳定性预测模型(ISSA-SVM模型)。将重度、黏聚力、内摩擦角、边坡角、边坡高、孔隙压力比6项因素作为输入特征,将边坡稳定性状态作为输出结果,进而预测边坡稳定性。选取中外工程实例建立边坡数据库,将ISSA-SVM模型与SSA-SVM模型进行对比分析,通过灰色关联度分析法(grey relation analysis,GRA)进行敏感性分析。结果表明:ISSA-SVM模型预测精度更高、泛化能力更强,黏聚力和内摩擦角是对边坡稳定性最为敏感的因子。所提ISSA-SVM模型不仅能够准确地预测边坡稳定状态,还可以为其他领域相关问题提供参考。

改进麻雀搜索算法优化BP神经网络的短时交通流预测

针对BP神经网络预测短时交通流量过于依赖初始参数的问题,提出一种基于改进麻雀搜索算法(ISSA)来优化BP神经网络的短时交通流预测模型(ISSA-BP)。针对标准麻雀搜索算法(SSA)易收敛于原点,容易陷入局部最优等问题,对麻雀群体中的发现者和部分加入者的位置更新公式分别进行改进,改进后的发现者将基于搜索维度的大小和当前最优值的位置来进行全局搜索,部分加入者将根据其与最优位置之间的距离来进行全局搜索。通过实验对BP,PSO-BP,SSA-BP,ISSA-BP 4种短时交通流预测模型的预测效果进行对比分析,结果显示,ISSA-BP短时交通流预测模型的误差最小,ISSA-BP模型相较BP模型在MAE评价指标上的预测精度提升了48.85%,有着更好的预测精度。

基于改进麻雀搜索算法的农田节水灌溉路径自动规划方法

传统农田节水灌溉路径在规划中,按照农田坐标进行依次灌溉,导致灌溉路径的重复性较高,因此提出基于改进麻雀搜索算法的农田节水灌溉路径自动规划方法。首先对农田需水量等参数进行计算,然后运用麻雀搜索算法初步构建灌溉路径,然后基于农田参数构建相应的灌溉模型,最后实现农田节水灌溉路径自动规划设计。实验中,将两种方法对比,实验组的灌溉路径自动规划方法能够减少路径的重复性,提供一条适应环境参数的自动规划路径。

基于改进麻雀搜索算法优化LSTM网络的城市轨道交通短时客流预测

准确预测城市轨道交通短时客流,对于制定客流组织方案、合理分配运输资源等具有重要意义。针对短时客流预测精度问题,提出一种基于改进麻雀搜索算法(ISSA)优化长短时记忆神经网络(LSTM)的短时客流预测方法。首先,在麻雀搜索算法的基础上,引入混沌映射与柯西变异,提出ISSA算法,用于提升麻雀搜索算法的全局搜索与局部寻优能力,克服标准麻雀算法易陷入局部最优值的问题。其次,利用ISSA算法对LSTM神经网络的学习率、迭代次数、第一隐层节点数和第二隐层节点数这四个关键参数进行寻优。最后,以寻优结果重构LSTM神经网。利用广州某地铁站自动检票系统(AFC)采集的客流数据,对ISSA-LSTM模型的有效性进行验证。实验结果表明:该模型的均方根误差、平均绝对误差,平均绝对百分比误差和决定系数分别为4.8306、5.1435、1.5445%、99.1117%。ISSA-LSTM模型的预测效果均优于MLP模型、LSTM模型和SSA-LSTM模型。本文提出的ISSA-LSTM模型可有效降低神经网络参数对于预测精度的影响,提高预测精度,同时也对城市轨道交通运营管理服务精度进行提升。

一种Sine混沌映射改进的麻雀算法

针对经典麻雀算法种群多样性逐渐减少和求解稳定性不强的缺点,本文对其提出了一种改进方法。该方法通过引入Sine混沌映射初始化麻雀种群(Sine-SSA),达到了增加初始麻雀种群多样性的目的。本文同时对多种混沌映射的改进效果进行了对比,文中共采用了8个基准函数的多重维度,不同测试函数的仿真效果表明了采用Sine混沌映射改进的麻雀算法相较于其他映射的收敛速度与寻优精度都为最优,也证实了该方法在增加麻雀种群多样性上的稳定性。

基于改进麻雀算法的风光水储优化配置方法

再生能源发电是构建我国清洁能源体系的核心,风光水可再生能源发电系统是新型电力系统的重要特征。针对风光水分布式可再生能源发电系统的随机性、不确定性等特点,提出了综合考虑风光水不确定性的风光水储优化配置及调度策略,并利用改进麻雀算法进行求解。针对麻雀算法的早熟和收敛性慢等问题,从改善种群多样性、增强全局探索能力和边界处理机制等方面对麻雀搜索算法进行改进;并利用改进的麻雀算法结合实际电网风光水互补特性进行优化配置计算。结果表明,所构建的风光水联合优化调度模型能够较好地提升风光消纳水平,提出的算法具有较高的求解效率。

基于改进麻雀搜索算法的微电网优化调度

针对微电网优化调度问题,提出一种混合策略改进的麻雀搜索算法。首先,将微电网优化调度问题变成多维函数优化问题,并建立约束条件。其次,利用Sin混沌序列初始化种群;然后在位置更新阶段引入学习系数和变异算子;最后引入自适应t分布和动态选择概率,来改善麻雀搜索算法的搜索能力。通过标准测试函数仿真实验和对微电网优化调度模型求解,验证了所提算法具有更高的精度和更快的收敛速度。

基于改进麻雀搜索算法的无线Mesh网络信道分配优化

文章在考虑网络信道分配优化模型的约束条件时,由于缺少对资源分配公平性的约束,导致信道分配后利用率较低,优化效果有限,为此,文章提出基于改进麻雀搜索算法的无线Mesh网络信道分配优化。文章采用数学模型描述网络中的信道分配问题,构建信道分配模型,结合Mesh网络的结构与特性,设计约束条件,包括网络连通性约束、信道容量约束和资源分配公平性约束。文章通过引入新的搜索策略和局部优化机制优化麻雀搜索算法,实施模型求解得到最佳信道分配方案。实验结果表明,在文章所提研究方法的应用下,Mesh网络信道的利用率得到了很大提升。

基于改进麻雀优化PID的波浪补偿控制方法

随着海上风电“十四五”规划的不断推动,在深远海域对兆瓦级大功率海上风机的需求量随之增加,其规模也在不断扩大。但是,在吊运、安装等海上工作过程中,复杂海浪对船舶产生的持续影响导致风机安装的精度和效率大幅下降,甚至会对人员安全以及财产造成重大损失。在深远海域复杂海况下对工程船舶进行有效的波浪补偿,可提供稳定的作业环境以保证精准高效地完成各项工作,因此,本文提出了一种基于改进麻雀优化PID的波浪补偿控制方法并将其应用于Stewart补偿平台。首先,建立波浪补偿平台动力学以及运动学反解模型,并设计正解模型迭代求解算法。随后,使用PID进行波浪补偿控制,并通过麻雀搜索算法优化参数。接着,采用Circle混沌映射对其进行初始化分布,以解决初始化不均匀的问题;并采用动态自适应加权、柯西突变以及反向学习以提升算法全局寻优能力。最后,生成4~6级海况下的某工程船运动数据作为系统输入,利用MATLAB和Simulink软件平台搭建模型进行补偿控制验证,并在Stewart硬件平台上做补偿试验。结果表明,改进麻雀搜索算法具有较快的收敛速度、较高的精度和更好的寻优能力,优化后的PID控制方法更适合用于复杂海况下波浪补偿平台的控制优化,可为大功率海上风机安装的补偿平台控制系统设计提供参考。

改进麻雀算法和Q-Learning优化集成学习轨道电路故障诊断

无绝缘轨道电路的故障具有复杂性与随机性,采用单一的模型进行故障诊断,其性能评价指标难以提高。而采用集成学习方式,则存在各基学习器结构、参数设计盲目,集成模型中各基学习器组合权重难以分配的问题。针对以上问题,提出一种改进麻雀算法和Q-Learning优化集成学习的轨道电路故障诊断新方法,该方法有机地将集成学习与计算智能和强化学习相结合,充分挖掘轨道电路故障特征,提高性能评价指标。首先,使用卷积神经网络、长短期记忆网络和多层感知器深度学习模型,以及支持向量机和随机森林传统机器学习模型,共同构成集成学习基学习器,解决单一学习模型的不足,不同基学习器的使用保证集成学习的多样性。从自动化机器学习角度出发,采用改进麻雀算法优化该集成学习模型的结构和参数,克服其结构和参数难以确定的问题。在此之上,引入强化学习Q-learning对集成模型中各基学习器组合权重进行优化,智能地确定集成学习各基学习器的组合权重。最后,将集成学习模型的预测结果与真实结果比较后得到误差,再采用BP神经网络对预测结果进行补偿修正,进一步提高轨道电路的故障诊断性能评价指标。仿真结果表明,利用所提方法进一步改善了轨道电路故障诊断的准确度、精确度、召回率和F1值等性能评价指标。

改进麻雀算法优化支持向量机的接触电阻预测

针对接触电阻常规计算公式计算结果精度难以达到要求,本文提出一种改进麻雀搜索算法(IASSA)优化支持向量(SVM)的接触电阻预测模型。首先,运用经验模态(EMD)对接触电阻的时序数据进行分解,得到一系列不同特征的本征模函数(IMF);其次,在对分解数据进行支持向量机建模时,采用一种多策略混合改进的麻雀算法去优化支持向量机的回归参数,该改进算法具有全局探索能力强、精度高等优点,从而可以有效避免支持向量机选择参数的盲目性;最后建立EMD-IAS-SA-SVM模型对每个IMF分量进行预测,在得到每个分量的预测结果后并进行重构,最终得到接触电阻的预测结果。实验结果表明,所提组合模型对接触电阻非平稳时间序列有较高预测精度和适用性。

基于多策略改进麻雀搜索算法的铸铜转子感应电动机优化

铸铜转子技术在提高感应电动机效率的同时会使电机起动性能变差,通过调整定、转子槽形结构参数可使集肤效应和磁饱和得到改善,同时提高起动性能。但感应电动机优化是一个多变量强耦合的规划问题,若选用所有的槽形结构参数做优化变量会导致计算时间过长且易陷入局部最优。为此,采用LASSO模型筛选对起动性能和效率影响大的槽形结构参数,实现优化变量的降维。在优化方法方面提出了多策略融合的改进麻雀搜索算法(ISSA),并通过基准函数实验验证改进的有效性。以提高电动机起动性能和效率为目标,以电机性能满足IE4标准为约束,将上述方法应用于两台铸铜转子感应电动机优化实例中,并分别从定子槽形结构参数优化、转子槽形结构参数优化及定转子槽形结构参数同时优化3个方向进行分析。为了说明所述方法的有效性,将ISSA与循环遍历法及其他仿生算法的优化结果进行了对比。最后,建立了电动机的仿真模型,对改进前后电动机的起动性能、损耗和磁通密度进行仿真分析。

不平衡样本下基于变异麻雀搜索算法和改进SMOTE的变压器故障诊断方法

针对麻雀搜索算法同质化严重和变压器故障样本不平衡导致分类效果不佳的问题,提出了变异麻雀搜索算法优化支持向量机(variation sparrow search algorithm-support vector machine,VSSA-SVM)和改进合成少数过采样技术(improved synthetic minority over-sampling technique,ISMOTE)的变压器故障诊断方法。首先使用Tomek Link对数据集进行去噪,引入中心偏移权重(center offset weight,COW)改进SMOTE算法对不平衡数据集的少数类样本进行合成,得到平衡化处理后的变压器故障数据集。然后,基于变异的思想,构建VSSA-SVM的变压器故障诊断模型。最后,在413例油浸变压器的油中溶解气体分析(dissoived gas anaiysis,DGA)数据上,使用PSO-SVM、SSA-SVM和VSSA-SVM模型进行诊断,诊断结果分别为81.45%、88.71%和96.77%,同时与SMOTE-NND、SVM SMOTE、Borderline-SMOTE、SMOTE以及原始数据集方法相比,ISMOTE分别提升了3.22%、4.03%、6.45%、7.52%、11.29%。结果表明,该文所提方法能准确判别变压器的故障状态,有效解决故障数据不平衡导致分类精度低的问题,具有一定的工程实用价值。